LEARNING

Lucas Learning — Corc Lukas tərəfindən 1996-cı ildə şagirdlər üçün qəliz, cəlbedici və əyləncəli təhsil proqram təminatı təqdim etmək məqsədilə "LucasArts"ın tərkibində təsis edilmiş şirkət. Onların bir çox mükafat qazanan buraxılışları ABŞ kurrikulumuna əsaslanırdı. Şirkətin qərargahı Kaliforniyanın San-Rafael şəhərində yerləşirdi və "MECC"in inkişaf üzrə keçmiş baş vitse-prezidenti və kreativ direktoru Suzan Şillinq rəhbərlik edirdi. Şillinq Corc Lukasın məhsullarla şəxsən məşğul olduğunu və şirkət mantrasının zorakılıqdan uzaq durmaq olduğunu iddia etmişdir. Studiya 1998-ci ildən oyunlar istehsal etmişdir. "Lucas Learning" 2001-ci ilin ortalarında bazarı tərk etmək qərarına gəlmişdir. == Qəbul == "The Boston Herald"da 1999-cu ildə yazılmışdır ki, şirkət "Lukasın kinematoqrafiya və proqram təminatı tərəfləri arasında unikal əməkdaşlıq səyi ilə proqram təminatının hazırlanmasında yeni standart yaradır".

Maşın öyrənməsi — verilənlər bazasından və ya sensorlardan giriş olaraq empirik verilənləri alıb, əldə edilən verilənlərin arxasında duran mexanizmin xüsusiyyətlərinə bənzər nümunələrə və ya proqnozlara gətirib çıxaran alqoritmləri dizayn edən və yaradan, süni intellektin bir sahəsidir. Tom Mitçellin tərifi: 'Əgər səmərəlilik T-dəki tapşırıqlarda P ölçüldüyü kimi E təcrübəsi ilə yaxşılaşırsa, onda kompüter proqramı E təcrübəsindən T tapşırıqlar sinifinə və P səmərəlik ölçüsünə görə öyrəndiyi deyilir.' Deduktiv öyrənmə ümumiyyətlə ekspert sistemləri adlandırılır, buna görə də maşın öyrənmə və istifadə öyrənmə terminləri sinonim sayıla bilər. Klassik statistik yanaşmalara alternativ olaraq bir çox induktiv öyrənmə metodu hazırlanmışdır. Bir çox metod, məlumatların çıxarılması (məlumatların alınması), məlumatların çıxarılması ilə sıx bağlıdır. == Əvvəlcədən öyrətmə probleminin ümumi ifadəsi == Bir çox obyekt (vəziyyət) və mümkün cavablar (cavablar, reaksiyalar) var. Cavablar və obyektlər arasında müəyyən əlaqə var, amma bilinmir. Yalnız son dərəcə əvvəlcədən bilinən bir dəstə məlumdur - təlim obyekti adlanan "obyekt, cavab" cütləri. Bu məlumatlara əsasən gizli asılılığı bərpa etmək, yəni mümkün olan hər bir giriş obyekti üçün kifayət qədər dəqiq təsnifat cavabı verə bilən bir alqoritm qurmaq tələb olunur. Bu asılılıq mütləq analitik şəkildə ifadə edilmir və burada neyron şəbəkələr empirik şəkildə yaradılan həll prinsipini tətbiq edirlər. Bu vəziyyətdə əhəmiyyətli bir xüsusiyyət, təlim sisteminin ümumiləşdirmə, yəni mövcud təlim nümunəsindən kənara çıxan məlumatlara adekvat cavab vermək bacarığıdır.